课程大纲

监督学习:分类和回归

  • Python 中的 Machine Learning:scikit-learn API 简介
    • 线性回归和逻辑回归
    • 支持向量机
    • 神经网络
    • 随机森林
  • 使用 scikit-learn 设置端到端监督学习管道
    • 使用数据文件
    • 缺失值的插补
    • 处理分类变量
    • 可视化数据

Python 人工智能应用框架:

  • TensorFlow、Theano、Caffe和Keras
  • 使用 Apache Spark 的大规模 AI:Mlib

高级神经网络架构

  • 用于图像分析的卷积神经网络
  • 用于时间结构数据的递归神经网络
  • 长短期记忆细胞

无监督学习:聚类、异常检测

  • 使用 scikit-learn 实现主成分分析
  • 在 Keras 中实现自动编码器

AI 可以解决的问题的实际示例(使用 Jupyter 笔记本的动手练习),例如 

  • 图像分析
  • 预测复杂的财务序列,例如股票价格,
  • 复杂模式识别
  • 自然语言处理
  • 推荐系统

了解 AI 方法的局限性:失败模式、成本和常见困难

  • 过拟合
  • 偏差/方差权衡
  • 观察数据中的偏倚
  • 神经网络中毒

应用项目工作(可选)

要求

参加本课程不需要任何特定要求。

 28 小时

客户评论 (2)

即将举行的公开课程

课程分类